YOLOV1目标检测算法：预测阶段

参考：（讲的详细，简单易懂）https://www.bilibili.com/video/BV15w411Z7LG/?is_story_h5=false&p=4&share_from=ugc&share_medium=android_hd&share_plat=android&share_session_id=f3bd490e-6f4d-43c2-97df-4573b8556221&share_source=WEIXIN&share_tag=s_i&timestamp=1670053553&unique_k=j0ik45C

一：

预测阶段就是在模型训练成功之后，输入未知图片，对未知图片进行预测或测试。此时不需要训练，不需要反向传播，而是进行前向推断。

模型训练出来是一个深度卷积神经网络：

 输入是一张 448 X 448 X 3 的彩色图像，也就是说把一张图片缩放成 448 X 448 的正方形图片，3 表示的 3 通道，RGB。

二、为什么输出是 7 X 7 X 30

1、首先，网络把图像划分为 S X S 个 grid cell（网格单元），在YOLO V1中 S=7 。每一个 grid cell 能预测出 B 个 bounding boxes（边界框），即 B 个预测框，YOLO V1 中 B = 2。

 2、

 两个预测框可能很大，也可能很小，也可能会跟其他的 grid cell 也覆盖了（没有影响），只要bounding boxes 的中心点落在 grid cell 里，那么就可以说明，这个 bounding boxes 是由 grid cell 生成的。bounding boxes 预测框，包含了（x，y，w，h，c），其中 x，y，w，h 是四个定位坐标，x，y 是中心点的坐标，w，h 是框的宽高。由这四个坐标就可以确定框的位置，以及包含它是否是一个物体的置信度，在此图上就用框的线的粗细来表示。粗的表示置信度比较高，细的表示置信度比较低。

3、每一个 grid cell 能够生成含有类别的条件概率。意思是：假设在它已经包含物体的情况下，是某一个类别的概率，如下图：

 把每一个 bounding boxes 的置信度 X 类别的条件概率，就能获得每一个 bounding boxes 的各类别的概率。

结合以上两个信息，一个是 bounding boxes （边界框）的信息，一个是 grid cell（网格单元） 的类别信息，就可以获得最后的预测结果。这些信息都是从  7 X 7 X 30 维的张量中获取的。

三、解释 7 X 7 X 30 张量

即S X S X （5 X B + C）

30：包含两个预测框，每一个预测框有5个参数，X，Y，W，H 和置信度，两个框也就是10个参数，在 Pascal VOC 里面包含20个类别，5+5+20=30。

30 维的张量是一个 grid cell（网格单元）的信息，一共是 7 X 7 个 grid cell（网格单元），所以是 7 X 7 X 30 维的张量，即上图所示。

7 X 7 X （2 X 5 +20）= 7 X 7 X 30 tensor = 1470 outputs

X ：指中心点的横坐标

Y ：指中心点的纵坐标

W ：指框的宽度

H ：指框的高度

后面 20 维指 20 个类别的条件概率（假设它在包含物体的情况下，它是猫的概率），只有把置信度乘以条件概率，它才是真正这个框是某个类别的概率。

即输入是 448 X 448 X 3 的图像，输出是 1470 个数字。

四、

 输入一张图像，YOLO 能输出 S X S 个 grid cell（网格单元）的信息，每一个 grid cell（网格单元）包含 2 个 bounding boxes （边界框）和 20 个类别，每一个 bounding boxes （边界框）又包含 4 个位置参数和一个置信度参数。

五、可视化看一遍

1、 首先把图像分成 S X S 个网格，这里是 7 X 7 个。

2、比如下图红色网格中，每个网格都预测出 2 个bounding boxes （边界框）

 3、2 个bounding boxes （边界框），其中一个置信度比较高（用粗线表示），另外一个置信度比较低（用细线表示），这都是在预测阶段（在模型已经训练好的情况下，粗线框已经预测出了车）。

 4、另外一个grid cell（网格单元）也预测出了两个bounding boxes （边界框）

 5、但是这两个bounding boxes （边界框）置信度都比较低，不管怎么样，这个图都能预测出

7 X 7 X 2 = 98 个框，只不过有些框置信度比较高，保留下来，有一些置信度比较低就不管。

 六、

每一个 grid cell（网格单元）还能生出20个类别的条件概率，下图展示了条件概率最高的类别所占有的框，比如紫色就是 Bicycle 条件概率比较高的区域，绿色 grid cell（网格单元）都是 Dog 的条件l类别概率比较高的区域。也就是说，每一个grid cell（网格单元）只能有一个类别，从20个条件类别概率中选最高的那一个，也就是说每一个grid cell（网格单元）只能有一个代表类别，进而说明，每一个grid cell（网格单元）只能预测出一个物体，7 X 7 = 49 个 grid cell（网格单元），最多预测出 49 个物体，这也是YOLO V1 小目标和密集目标识别性能差的原因，

 七、

每一个 grid cell（网格单元）只有一个类别，只有一个条件概率类别最高的代表类别，把这个grid cell（网格单元）中的两个 bounding boxes （边界框）都赋予这个类别，再进行一系列后处理，就得到了最终的目标检测结果。（用颜色代表不同的类别，用粗细代表每一个bounding boxes （边界框）的置信度，就可以形成图 2 中间的结果），即总共 98 个bounding boxes （边界框），每一个 bounding boxes （边界框）都有置信度和最高概率类别对应的类别，把中间图进行一系列后处理，比如把低置信度的过滤掉，然后再进行非极大值抑制，去除掉重复的预测框，就获得最终的目标检测预测结果。

 图1

 

 图2

八、总结

整个预测过程如下，输入 448 X 448 X 3 的图像，输出 7 X 7 X 30 维的张量， 7 X 7 X 30 维的张量包含了 98 个预测框，49 个grid cell（网格单元）的 98 个预测框，每一个预测框的位置，置信度，还有每一个grid cell（网格单元）的类别概率，对其进行解析，后处理，就获得最终的目标检测结果。

 九、

 十、

预测阶段：模型输入 448 X 448 X 3 的图像，输出 7 X 7 X 30 维的张量，张量包含了 7 X 7 个grid cell（网格单元），里面的每一个bounding boxes （边界框）的坐标和置信度信息，以及该grid cell（网格单元）的类别信息，结合这两种信息进行后处理，就可以获得最终的目标检测结果。